大模型参数到底什么意思？7B、70B一句话给你讲明白

经常有人问我：「GPT-4有几万亿参数？」「DeepSeek-V3那个671B是啥意思？」「7B和70B的模型用起来差别有多大？」今天拿大白话讲清楚这件事。

先说结论：参数越多，模型越聪明——但这是有前提的。参数就是你手机里那个模型的「神经元数量」。70B就是700亿个参数，700亿个可调的数值。这些数值决定了模型看到一句话之后，下一个字该出什么。

拿一个最简单的例子。你输入「今天天气真」，模型的任务是猜下一个字。它怎么猜的？把前面几个字换算成一堆数字，在700亿个参数里做矩阵乘法，最后算出一个概率分布——「好」的概率87%，「热」的概率6%，「差」的概率2%。然后它选概率最高的那个输出。

这个过程跟人脑有点像。人脑大概860亿个神经元，GPT-4据传是1.8万亿（1800B）参数。但参数数量和实际能力不是线性关系。Meta去年发了一篇论文，结论是同样训练数据量的情况下，7B的模型在常识推理上能到13B模型的92%水平——也就是说，参数翻倍，能力提升不到10%。

那为什么还要做大模型？因为参数多了，模型的「知识容量」大了。7B的模型能记住常见的事实（首都是北京、水在100度沸腾），但碰到冷门知识（比如某个县2022年的GDP）就抓瞎了。671B的DeepSeek-V3能答得出来，因为它有足够多的参数来存储这些长尾信息。

另一个区别是推理能力。参数多的模型在需要多步推理的任务上优势明显——比如数学证明、复杂代码调试、法律条文分析。7B模型写个Python脚本没问题，但让它调试一个多线程竞态条件bug大概率翻车。70B以上的模型能一步一-步推出来。

但参数多也有代价。第一是贵。70B模型跑在服务器上，单次推理成本大约是7B的八到十倍。如果你是自己部署，70B需要至少两张A100（80G显存），加上量化也需要接近140G显存，硬件成本六位数打底。第二是慢。同样一个问题，70B模型的响应时间通常是7B的3-5倍。

我自己的使用场景：日常写文案、改文章、翻译，用7B到13B的模型足够了，响应快、成本低。需要写复杂SQL、分析几十页的合同文本、或者写一个完整的功能模块，再上70B以上的模型。参数大小不是越大越好，是匹配场景才好。

最后说一个挺反直觉的数据：2026年上半年新发布的模型中，7B-14B参数量的占到了63%。不是技术做不到更大，而是小模型在特定场景的性价比已经非常高了——很多公司的实际需求，一个7B的模型微调一下比直接调用GPT-4还合适。

标签： 大模型 参数 AI科普 7B 70B DeepSeek